Kitap Rotası: Gözetimsiz ve Diğer Öğrenme Biçimleri

Genel Harita Model Seçimi Düzenlileştirme Belirsizlik Karar Verme Yorumlanabilirlik Veri ve Nedensellik Shift ve Robustluk Üretim Döngüsü Deneyler ve Yayın Adalet ve Yönetişim Saldırı Direnci Müdahale ve Politika Gözetimsiz ve Ötesi K-Ortalamalar PCA Metrik Ranking Öneri Self-Supervised

Kitap / Bölüm 9-10

Kitap burada makine öğrenmesinin yalnızca etiketli veriyle tahmin yapmaktan ibaret olmadığını hatırlatır. Verinin yapısını keşfetmek, iyi bir temsil öğrenmek, sıralama yapmak ya da benzerliği doğrudan öğrenmek de ana oyunun parçasıdır.

Gözetimsiz Öğrenme

Kümeleme

Amaç, etiket olmadan örnekler arasındaki yapıyı bulmaktır. K-Ortalamalar bu ailenin en klasik örneklerinden biridir.

Görsel rota:

• Etkileşimli K-Ortalamalar

Boyut İndirgeme

Amaç, verinin en anlamlı yönlerini daha düşük boyutta ifade etmektir. PCA burada geometrik bir sezgi sunar.

Görsel rota:

• Etkileşimli PCA

Kitabın “Other Forms of Learning” Kümesi

Kitap bu başlık altında özellikle şu fikirleri ayrı bir aile olarak görür:

• Metrik öğrenmesi: neyin kime yakın olduğunu veriden öğrenmek.

• Sıralama öğrenmesi: tek tek sınıf tahmini değil, doğru sıralamayı üretmek.

• Öneri sistemleri: kullanıcı-öğe etkileşimlerinden tercih üretmek.

• Kendi kendini gözetimli öğrenme: etiketleri verinin içinden türetmek.

Bu ailelerin her biri artık bu rota içinde canlı olarak da açılıyor:

Metrik Öğrenmesi Anchor, positive ve negative ilişkisini marj üzerinden gör. Benzerliğin de öğrenilebilir bir nesne olduğunu hisset. Canlı metriği aç

Sıralama Öğrenmesi Tek tek doğru etiketten çok doğru sıranın neden önemli olduğunu, NDCG ve top-k bakışıyla izle. Canlı ranking demosu

Öneri Sistemleri Kullanıcı tercih uzayı ile öğe uzayının nasıl eşleştirildiğini ve neden kişiselleştirmenin ayrı bir problem olduğunu gör. Canlı öneri demosu

Self-Supervised Learning Etiketleri dışarıdan vermeden, augmentasyonlardan pozitif çiftler türeterek temsil öğrenme sezgisini kur. Canlı self-supervised demosu

K-Ortalamalar Etiketsiz yapının nasıl kümeler halinde ortaya çıktığını incele. K-Ortalamalar

PCA Varyansın baskın yönlerini yakalayıp boyut indirgeme sezgisini geometrik olarak gör. PCA

Buradan Sonra

Bu bölüm, kitabın modern makine öğrenmesine açıldığı nokta. Artık problem sadece sınıflandırmak değil; benzerliği öğrenmek, iyi sıralamak, kişiselleştirmek ve etiketi verinin içinden türetmek.

Düzenlileştirme Belirsizlik Karar Verme Yorumlanabilirlik Veri ve Nedensellik Shift ve Robustluk Üretim Döngüsü Deneyler ve Yayın Adalet ve Yönetişim Saldırı Direnci Müdahale ve Politika Bu Sayfa K-Ortalamalar PCA Metrik Ranking Öneri Self-Supervised Sonraki: Kapanış